申请/专利权人：西安理工大学

申请日：2020-01-14

公开（公告）日：2024-02-23

公开（公告）号：CN111275247B

主分类号：G06Q10/04

分类号：G06Q10/04;G06Q50/06;G06N3/0499

优先权：

专利状态码：有效-授权

法律状态：2024.02.23#授权;2020.07.07#实质审查的生效;2020.06.12#公开

摘要：本发明公开了一种基于多种影响因素的极限学习机月度电量预测方法，包括以下步骤：收集近4‑6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；获得季度电量；将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本；设置极限学习机预测模型的参数，隐含层节点数设置为3‑13，输出维数设置为1，激励函数设置为sig函数；将训练样本和测试样本输入极限学习机预测模型，对极限学习机预测模型进行训练，获得月度预测电量；本发明预测方法进行了用电特性分析，深度挖掘历史数据，引入多种影响因素至预测模型，提高预测精度。

主权项：1.一种基于多种影响因素的极限学习机月度电量预测方法，其特征在于，具体按照以下步骤实施：步骤1、收集近4－6年的市月度电量数据、季度GDP数据、季度平均最高气温和季度平均最低气温数据；步骤2、通过月度电量数据获得季度电量；步骤3、将季度电量、季度GDP、季度平均最高气温、季度平均最低气温数据划分为训练样本和测试样本，并进行数据归一化处理；所述训练样本包括训练样本输入、训练样本输出，测试样本包括预测样本输入、预测样本输出；步骤3具体过程为：假设收集的是近n年的数据，其中n＝4－6；选取第1年至第n－2年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为训练样本的输入，第n－1年的季度电量作为训练样本输出，第2年至第n－1年的季度电量、季度GDP、季度平均最高气温和季度平均最低气温数据作为预测样本的输入，第n年的季度电量作为预测样本输出；将训练样本和测试样本进行数据归一化处理；步骤4、设置极限学习机预测模型的参数，隐含层节点数设置为3－13，输出维数设置为1，激励函数设置为sig函数；步骤5、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练，向训练后的极限学习机预测模型输入测试样本，得到优化的极限学习机预测模型；具体过程为：步骤5.1、将训练样本输入极限学习机预测模型，对极限学习机预测模型进行训练；步骤5.2、将测试样本输入极限学习机预测模型，预测最近一年的季度电量；步骤5.3、通过每年的历史数据测算出每个月的月度电量占其所属季度电量的比值，得每个月的月季比，并求每个月的平均月季比；步骤5.4、选取步骤5.3中每个月的平均月季比与平均月季比所对应的最近一年季度电量预测值，计算最近一年月度电量；步骤5.5、计算最近一年预测的月度电量与实际的月度电量的绝对百分误差，并计算最近一年中的平均绝对百分误差；具体过程为： 式中，APE表示绝对百分误差，MAPE表示平均绝对百分误差，yt是实际值，y’t为预测值，n是预测数据个数；步骤5.6、当平均绝对百分误差小于4％，则得到优化的极限学习机预测模型；当平均绝对百分误差不小于4％，则返回步骤4，重新调整隐含层节点数；步骤6、通过优化的极限学习机预测模型预测月度电量。

全文数据：

权利要求：

百度查询： 西安理工大学 一种基于多种影响因素的极限学习机月度电量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD